一种基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法

技术领域

本发明涉及一种基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法，属于风力发电机技术领域。

背景技术

为解决能源枯竭和大气环境污染问题，风力发电作为清洁能源的一种，正在大面积商业化推进中，数量庞大全天候运行的风力发电机的长期维护成为关注的焦点，传统故障诊断技术获取得信号主要方式包括：采用MEMS加速度计传感器拾取机械振动信号，采用麦克风拾取声学信号，断开负载后采用电流计拾取电流信号。其中，机械振动信号拾取需要加装设备，常常受到设备生产商的抵制。声学信号拾取方式缺乏电机定子、转子诊断信息，电流信号需要断开负载会影响风力发电机组正常工作，在大型风力发电设备运用中存在实际应用困难。另一方面，故障信号的特征抽取大多基于频域信息，传统的信号处理方法虽然便捷，但可能忽略了隐含在波形时域等方面的故障信息，导致故障诊断或状态识别信息不充分。

发明内容

本发明所要解决的技术问题是提供一种基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法，采用全新设计，能够有效提高风力发电机故障诊断效率。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法，包括如下步骤：

步骤A.针对风力发电机各指定类型故障工况，以及风力发电机正常工作工况，分别获得各个工况下缠绕在风力发电机电力传输线上保偏光纤测量的偏振角度时间序列；

步骤B.采用含时间递归神经网络隐含层的多层卷积神经网络，分别针对各个工况下风力发电机电力传输线上偏振角度时间序列进行时序特征提取，分别获得最内层神经元计算结果，分别作为各个工况下风力发电机的第一类特征量；

采用EMD和小波包多层分解方法，分别针对各个工况下风力发电机电力传输线上偏振角度时间序列进行处理，分别获得各个工况下分解结果中含低频信息和中高频信息的各层的均方根，分别作为各个工况下风力发电机的第二类特征量；并且分别针对各个工况下缠绕在风力发电机电力线的保偏光纤测量的偏振角度时间序列，将其中预设指定频段的幅值作为对应工况下风力发电机的第三类特征量，从而分别获得各个工况下风力发电机的第三类特征量；

步骤C.基于单隐含层的神经网络，结合各个工况下风力发电机的第一类特征量、第二类特征量、第三类特征量，分析获得风力发电机的当前工作状态。

作为本发明的一种优选技术方案：所述步骤A中，针对风力发电机各指定类型故障工况，以及风力发电机正常工作工况，通过缠绕在电力传输线上的电流传感器，分别获得各个工况下缠绕在风力发电机电力传输线上保偏光纤测量的偏振角度时间序列；其中，电流传感器中的光敏感单元为光电二极管；电流传感器包括光源、保偏光纤、第一保偏光纤耦合器、第二保偏光纤耦合器、光纤偏振器和光敏感单元，光源的输出端与光纤偏振器输入端相连，光纤偏振器输出端与第一保偏光纤耦合器输入端相连，第一保偏光纤耦合器输出端与保偏光纤的其中一端相连，保偏光纤绕设在电力传输线上，保偏光纤的另一端与第二保偏光纤耦合器的输入端相连，第二保偏光纤耦合器的输出端与光敏感单元相连。

作为本发明的一种优选技术方案：所述步骤A中，针对风力发电机各指定类型故障工况，以及风力发电机正常工作工况，通过电力传输线上多处位置缠绕设置的电流传感器，采用多点测量，求取平均值的方式，分别获得各个工况下缠绕在风力发电机电力传输线上保偏光纤感测的偏振角度时间序列。

作为本发明的一种优选技术方案：所述步骤B中，各个工况下风力发电机第一类特征量的获取，包括如下步骤：

步骤B1-1.根据各个工况下风力发电机电力传输线上偏振角度时间序列，多层卷积神经网络通过反复卷积池化无监督学习的方式逐层训练获得基本特征量，并在此基础上使用LSTM递归神经网络获取含时序的特征；

步骤B1-2.采用经训练所获得的多层卷积神经网路，针对各个工况下风力发电机电力传输线上偏振角度时间序列进行特征提取，分别获得最内层神经元计算结果，分别作为各个工况下风力发电机的第一类特征量。

作为本发明的一种优选技术方案：所述步骤C包括如下步骤：

步骤C-1.针对各个工况下风力发电机的第一类特征量、第二类特征量、第三类特征量，分别采用主成分分析法进行分析，保留对风力发电机故障分类具有显著影响的特征量，剔除对风力发电机故障分类影响很小的特征量，针对各个工况下风力发电机的第一类特征量、第二类特征量、第三类特征量分别进行更新；

步骤C-2.采用各个工况下风力发电机的第一类特征量、第二类特征量、第三类特征量，通过背向传播的方式针对单隐含层的神经网络进行训练，并确定连接权值和阈值；

步骤C-3.采用经训练后单隐含层的神经网络，针对各指定类型故障工况下风力发电机的第一类特征量、第二类特征量、第三类特征量进行分析，获得风力发电机的当前工作状态。

作为本发明的一种优选技术方案：所述步骤C-3具体包括如下：

首先针对各指定类型故障工况下风力发电机的第一类特征量、第二类特征量、第三类特征量分别进行归一化处理，更新各指定类型故障工况下风力发电机的第一类特征量、第二类特征量、第三类特征量；然后，采用经训练后单隐含层的神经网络，针对当前工况下风力发电机的第一类特征量、第二类特征量、第三类特征量进行分析，获得风力发电机的当前工作状态。

作为本发明的一种优选技术方案：所述各指定类型故障工况包括风力发电机齿轮箱故障工况、风力发电机定子绕组故障工况和风力发电机转子故障工况。

本发明所述一种基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法采用以上技术方案与现有技术相比，具有以下技术效果：本发明设计的基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法，引入保偏光纤测量系统获取风力发电机的电流信号，体积小、重量轻、绝缘结构简单、动态范围大、无磁饱和、无爆炸危险、不影响正常输电，可在风力发电机的实际使用过程中直接进行诊断信号测量；并且在具体故障诊断过程中，采用含时间递归神经网络隐含层的多层卷积神经网络，做偏振角度时序的三类特征的抽取，偏振角度变化反映了电流变化，而电流时间序列又反映了风力发电机定子和转子的故障情况，由此，能够提供更丰富的风力发电机故障信息，能够在故障诊断和风力发电机状态识别上提供能为精确的判断结果。

附图说明

图1是本发明所设计中所设计电流传感器缠绕于电力传输线的结构示意图；

图2是本发明所设计风力发电机故障诊断方法的诸元流程示意图；

图3是本发明所设计风力发电机故障诊断方法的实施框架示意图；

图4是本发明所设计风力发电机故障诊断方法中用于特征抽取的含LSTM多层卷集神经网络结构示意图。

图5是本发明所涉及多层卷积神经网络架构示意图。

其中，1.电力传输线，2.光源，3.光纤偏振器，4.第一保偏光纤耦合器，5.保偏光纤，6.第二保偏光纤耦合器，7.光敏感单元。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。

如图2所示，本发明设计了一种基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法，在实际应用过程当中，具体包括如下步骤：

步骤A.针对风力发电机各指定类型故障工况，以及风力发电机正常工作工况，分别获得各个工况下缠绕在风力发电机电力传输线上保偏光纤测量的偏振角度时间序列，然后进入步骤B。

上述步骤A中，针对风力发电机各指定类型故障工况，以及风力发电机正常工作工况，通过电力传输线上多处位置缠绕设置的电流传感器，采用多点测量，求取平均值的方式，分别获得各个工况下缠绕在风力发电机电力传输线上保偏光纤测量的的偏振角度时间序列；其中，如图1所示，电流传感器包括光源、保偏光纤、第一保偏光纤耦合器、第二保偏光纤耦合器、光纤偏振器和光敏感单元，光源的输出端与光纤偏振器输入端相连，光纤偏振器输出端与第一保偏光纤耦合器输入端相连，第一保偏光纤耦合器输出端与保偏光纤的其中一端相连，保偏光纤绕设在电力传输线上，保偏光纤的另一端与第二保偏光纤耦合器的输入端相连，第二保偏光纤耦合器的输出端与光敏感单元相连。实际应用当中，针对电流传感器，进一步设计采用光电二极管进行应用，光源采用超过10KHZ的光源。

步骤B.采用含时间递归神经网络隐含层的多层卷积神经网络，分别针对各个工况下风力发电机电力传输线上偏振角度时间序列进行时序特征提取，分别获得最内层神经元计算结果，分别作为各个工况下风力发电机的第一类特征量。其中，如图4和图5所示，含时间递归神经网络隐含层的多层卷积神经网络，第一隐含层具有不可反向的顺序指向，其他隐含层与一般卷积神经网络相同。

上述各个工况下风力发电机第一类特征量的获取，实际应用中，具体包括如下步骤：

步骤B1-1.根据各个工况下风力发电机电力传输线上偏振角度时间序列，多层卷积神经网络通过反复卷积池化无监督学习的方式逐层训练获得基本特征量，并在此基础上使用LSTM递归神经网络获取含时序的特征。

步骤B1-2.采用经训练所获得的多层卷积神经网路，针对各个工况下风力发电机电力传输线上偏振角度时间序列进行特征提取，分别获得最内层神经元计算结果，分别作为各个工况下风力发电机的第一类特征量，第一类特征量包含多个特征量。

经验模态分解可以将保偏光纤中的偏振角度时间序列进行逐层分解，其中有一层是正常信号对应层。“频率”最高的几层往往是噪声信息，因此中高频率对应的几层具有状态识别的功能，将这几层的时间序列的均方差作为特征，能够具有一定故障诊断鉴别能力。

小波包分解可以将保偏光纤中的偏振角度时间序列进行逐层分解，选择不同的小波基对结果影响很大，风力发电机正常电流信号光滑，对于小波基选择没有太多参考价值，同等条件下能够对典型故障信号投影幅值最大的优先选择。“频率”最高的细节往往是噪声信息，因此中高频率对应的几层具有状态识别的功能，将这几层的时间序列的均方差作为特征，能够具有一定故障诊断鉴别能力，所以，将包含保偏光纤中的偏振角度时间序列频域信息的功率谱和倒谱都被选作特征量。

因此，同时，采用EMD和小波包多层分解方法，分别针对各个工况下风力发电机电力传输线上偏振角度时间序列进行处理，分别获得各个工况下分解结果中含低频信息和中高频信息的各层的均方根，分别作为各个工况下风力发电机的第二类特征量；并且分别针对各个工况下缠绕在风力发电机电力线的保偏光纤测量的偏振角度时间序列，将其中预设指定频段的幅值作为对应工况下风力发电机的第三类特征量，从而分别获得各个工况下风力发电机的第三类特征量。

x_i：EMD或者小波包分解的某一层中时间序列信号中某一个时刻的幅值

EMD或者小波包分解的某一层中时间序列信号的均值

σ_i：EMD或者小波包分解的某一层中时间序列信号的均方差

N：EMD或者小波包分解的某一层中时间序列信号的长度

然后进入步骤C。

步骤C.基于单隐含层的神经网络，结合各个工况下风力发电机的第一类特征量、第二类特征量、第三类特征量，分析获得风力发电机的当前工作状态，具体如图3所示，具体包括如下步骤：

步骤C-1.针对各个工况下风力发电机的第一类特征量、第二类特征量、第三类特征量，分别采用主成分分析法进行分析，保留对风力发电机故障分类具有显著影响的特征量，剔除对风力发电机故障分类影响很小的特征量，针对各个工况下风力发电机的第一类特征量、第二类特征量、第三类特征量分别进行更新。

步骤C-2.采用各个工况下风力发电机的第一类特征量、第二类特征量、第三类特征量，通过背向传播的方式针对单隐含层的神经网络进行训练，并确定连接权值和阈值。

步骤C-3.首先针对各指定类型故障工况下风力发电机的第一类特征量、第二类特征量、第三类特征量分别进行归一化处理，更新各指定类型故障工况下风力发电机的第一类特征量、第二类特征量、第三类特征量；然后，采用经训练后单隐含层的神经网络，针对当前工况下风力发电机的第一类特征量、第二类特征量、第三类特征量进行分析，获得风力发电机的当前工作状态。

在上述所设计基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法中，故障诊断的输入量明确为偏振角度，偏振角度可以反映电流变化时间序列，而电流时间序列又反映了风力发电机定子和转子的故障情况。

上述所设计基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法，在实际应用中，具体可以针对包括风力发电机齿轮箱故障工况、风力发电机定子绕组故障工况和风力发电机转子故障工况等指定类型故障工况，实现诊断。其中，风力发电机齿轮箱故障工况直接特征量为发电机转矩，发电机转矩和发电机的相电流成线性关系，所以发电机的相电流可以反映风力发电机齿轮箱故障，通过测量偏振与光源偏振角度差的时序波形，可得通过缠绕在电力传输线上的保偏管线制成的电流传感器，得到风力发电机齿轮箱故障工况特征。

风力发电机定子绕组故障在电量上的特征为负序电流和零序电压，将保偏管线制成的电流传感器缠绕在定子绕组引出线，通过测量偏振与光源偏振角度差的时序波形，可得到风力发电机定子绕组故障工况特征。

风力发电机转子故障故障特征量为定子电流的低频电流信号，通过测量偏振与光源偏振角度差的时序波形，可得通过缠绕在电力传输线上的保偏管线制成的电流传感器，得到风力发电机转子故障工况特征。

本发明所设计的基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法，引入保偏光纤测量系统获取风力发电机的电流信号，体积小、重量轻、绝缘结构简单、动态范围大、无磁饱和、无爆炸危险、不影响正常输电，可在风力发电机的实际使用过程中直接进行诊断信号测量；并且在具体故障诊断过程中，采用含时间递归神经网络隐含层的多层卷积神经网络，做偏振角度时序的三类特征的抽取，偏振角度变化反映了电流变化，而电流时间序列又反映了风力发电机定子和转子的故障情况，由此，能够提供更丰富的风力发电机故障信息，能够在故障诊断和风力发电机状态识别上提供能为精确的判断结果。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。